梯度提升树:修订间差异

来自决策链云智库
无编辑摘要
无编辑摘要
第29行: 第29行:


[math]f_{\left.X\right|^{Y}}\left(x \mid C_{1}\right)=f_{X 1 X|Y| Y}\left(x_{1}, x_{2} \mid C_{1}\right)=f_{X \mid Y}\left(x_{1} \mid C_{1}\right) \cdot f_{X 2 \mid Y}\left(x_{2} \mid C_{1}\right)[/math]
[math]f_{\left.X\right|^{Y}}\left(x \mid C_{1}\right)=f_{X 1 X|Y| Y}\left(x_{1}, x_{2} \mid C_{1}\right)=f_{X \mid Y}\left(x_{1} \mid C_{1}\right) \cdot f_{X 2 \mid Y}\left(x_{2} \mid C_{1}\right)[/math]
[math]\left\{\begin{array}{l}f_{X 1, X \mid Y}\left(x_{1}, x_{2} \mid C_{2}\right)=f_{X \mid Y}\left(x_{1} \mid C_{2}\right) \cdot f_{X 2 \mid Y}\left(x_{2} \mid C_{2}\right) \\ f_{X 1, X \mid Y}\left(x_{1}, x_{2} \mid C_{3}\right)=f_{X|Y|}\left(x_{1} \mid C_{3}\right) \cdot f_{X 2 \mid Y}\left(x_{2} \mid C_{3}\right)\end{array}\right.[/math]


{{Navplate AlgorithmNodeList}}
{{Navplate AlgorithmNodeList}}


[[Category:分类训练器]]
[[Category:分类训练器]]

2023年12月27日 (三) 18:33的版本

Boosting GBDT.png
节点状态
PC可用
V1.0部署
梯度提升树Boosting GBDT.svg
节点开发者决策链算法研发部 (Dev.Team-DPS)
节点英文名梯度提升树
功能主类别机器学习
英文缩写梯度提升树
功能亚类别分类训练器
节点类型数据挖掘
开发语言Python
节点简介

梯度提升树(Gradient Boosting Tree)是一种集成学习算法,通过迭代地训练弱学习器(通常是决策树),并将它们组合成一个强大的预测模型。与其他集成学习方法(如随机森林)不同,梯度提升树是通过优化损失函数的梯度来逐步改进模型的。

端口数量与逻辑控制(PC)
Input-入口2个
Output-出口3个
Loop-支持循环
If/Switch-支持逻辑判断
输入输出
可生成图片类型(推荐)
可生成数据表类型(推荐)
相关节点
上一节点支持向量机
下一节点AdaBoost



[math]f_{\left.X\right|^{Y}}\left(x \mid C_{1}\right)=f_{X 1 X|Y| Y}\left(x_{1}, x_{2} \mid C_{1}\right)=f_{X \mid Y}\left(x_{1} \mid C_{1}\right) \cdot f_{X 2 \mid Y}\left(x_{2} \mid C_{1}\right)[/math]

[math]\left\{\begin{array}{l}f_{X 1, X \mid Y}\left(x_{1}, x_{2} \mid C_{2}\right)=f_{X \mid Y}\left(x_{1} \mid C_{2}\right) \cdot f_{X 2 \mid Y}\left(x_{2} \mid C_{2}\right) \\ f_{X 1, X \mid Y}\left(x_{1}, x_{2} \mid C_{3}\right)=f_{X|Y|}\left(x_{1} \mid C_{3}\right) \cdot f_{X 2 \mid Y}\left(x_{2} \mid C_{3}\right)\end{array}\right.[/math]

查找其他类别的节点,请参考以下列表